Claude Codeで「AI×AI対話型」SNS運用＆ブログ自動生成システムを構築した全記録

はじめに：なぜAIに「会話させる」のか

正直なところ、AIに1回で完璧な記事を書かせるのは無理だと思っている。

GPTでもClaudeでも、1ショットで生成した長文は「情報はあるけど、読む気にならない」ものが大半だ。理由はシンプルで、AIには「何を捨てるか」の判断ができない。全部盛りにして、どこにも刺さらない文章ができあがる。

じゃあどうするか。人間のライターと編集者の関係を、AIで再現すればいい。

片方のAIがリサーチして書く。もう片方が「ここ浅い」「この表現AI臭い」「ファクトが曖昧」と批評する。書き手が修正する。これを繰り返す。

Claude Codeの「Channels」機能を使えば、Discord上でこの対話を完全自動化できる。実際にやってみた結果、1ショット生成と比較して記事品質が体感で2倍以上変わった。

この記事では、その仕組みの全体像と、SNS投稿への展開まで含めて解説する。

Claude Code Channelsとは何か

2026年3月にリリースされた「Claude Code Channels」は、Telegram・Discord・iMessageからClaude Codeに指示を送れる機能だ。

ポイントは、バックグラウンドで常駐するClaude Codeに、メッセージングアプリ経由でタスクを投げられること。ターミナルに張り付く必要がない。

自分のMacでClaude Codeをバックグラウンド起動しておけば、Discord経由でコードの修正もデプロイも記事生成もできる。しかもMCPサーバーにもフルアクセスだから、Supabase・Brave Search・GitHub Actions・Slack、全部繋がる。

ここが重要で、ローカルで動いているから、LLMのAPI料金がかからない。Claude Codeのサブスク内で完結する。

アーキテクチャ：AI-A × AI-B の対話構造

AIキャリア相談＆実務AI活用はこちらから無料相談AIキャリア相談＆実務AI活用は
こちらから無料相談

システムの核は「2つのAIの役割分担」だ。

AI-A（指揮官ロール）

Discordから定期的にタスクを投げる
「トレンドを調べろ」「記事を書け」「批評しろ」「公開しろ」とフェーズを管理
スケジュールベースで自動起動（GitHub Actions Cron）

AI-B（実行者ロール＝Claude Code）

ローカルマシンで常駐
Brave Searchで一次情報を取得
Supabaseから自社RAG（既存記事・サービス情報・創業者の思考ログ）を検索
記事を執筆、批評を受けて推敲
公開時にPost-Processing APIを呼び出し

この2者がDiscord上で会話しながら、記事を段階的にブラッシュアップしていく。

なぜ「2つ」に分けるのか

1ショット生成の問題は「自分で自分を評価できない」こと。GPT-5.2に記事を書かせて同じGPT-5.2にレビューさせても、自分の癖に気づけない。

AI-AとAI-Bで役割を分けると：

AI-Aが「読者目線」で批評する（構造的に書き手とは別の視点）
AI-Bは批評を受けて「なるほど、ここ弱いな」と実際に修正する
このループが2-3回転するだけで、単発生成とは次元の違う記事になる

記事生成の4フェーズ

Phase 1: トレンド調査（blog_research）

AI-Aが「記事ネタを探せ」とタスクを投げる。AI-Bは3つのソースからトピック候補を収集する。

RSSフィード監視— OpenAI、Google、Meta、HuggingFace、LangChain、Microsoftの6社ブログ
SNSバズ検出— 直近48時間でエンゲージメントの高い投稿
トレンド記憶— 過去のSNS投稿から蓄積したトレンドデータ

各トピックに「バズスコア」を付けて、上位候補を一覧表示。AI-Bが各候補をBrave Searchで調査し、「まだ誰も深く書いていない切り口」を持つトピックを1つ選定する。

ここのポイントは**「書けるネタ」ではなく「差別化できるネタ」を選ぶ**こと。Brave Searchで競合記事を確認して、同じ角度の記事がなければGO。

Phase 2: 執筆（blog_draft）

AI-Bがデータ収集から記事執筆を行う。

データ収集では：

自社RAG（ベクトル検索）：既存記事との重複回避、関連サービスの文脈取得
創業者の思考ログ（3072次元ベクトル）：個人の体験や哲学を注入
パーソナルストーリー：「起承転結」の物語構造

これらをコンテキストとして記事を執筆。ターゲットは12,000〜30,000文字。

重要なのは、**AIが書いている時点ではまだ「下書き」**だということ。完璧を目指さない。次のフェーズで批評を受けて改善する前提で書く。

Phase 3: 批評（blog_review）

AI-Aが「この記事を批評しろ」とタスクを投げる。AI-Bは以下の5軸で記事を評価する。

チェック項目	内容	合否基準
AI臭チェック	「この技術がもたらす」「パラダイムシフト」等のAI定型句検出	0件で合格
SEO構造	H2/H3の数、FAQ有無、メタデータ	H2が3-8個、FAQ有り
深さ	各セクションの文字数	全セクション300文字以上
重複チェック	既存記事とのbigram類似度	35%未満
内部リンク	自社サービスへの言及	1つ以上

スコアが100点満点で算出され、批評レポートがDiscordに投稿される。

AI-Bはこの批評を受けて推敲する。「セクション3が浅い」と言われたら、Brave Searchで追加調査して具体例を足す。「AI臭い表現がある」と言われたら、口語調に書き換える。

Phase 4: 公開（blog_publish）

推敲が完了したら、既存のPost-Processingパイプラインに投入する。

postsテーブルにドラフト保存
Post-Processing API呼び出し（既に本番デプロイ済み）
- Fragment ID自動生成（H2/H3単位でページ内アンカー）
- 構造化データ生成（JSON-LD、Schema.org準拠）
- ベクトルリンク生成（関連記事の自動紐付け）
- AI検索最適化（ChatGPT・Perplexity・Claude・Gemini向けメタデータ）
- FAQ Entity生成
公開ステータスに更新

ここが既存インフラの再利用で一番コスパが良い部分。記事本文さえ良ければ、SEOや構造化データは全自動で最適化される。

SNS投稿への自動展開

ブログ記事が公開されたら、そのままSNS投稿に展開する。

プラットフォーム別の最適化

X（Twitter）

記事の核心を1ツイートに凝縮
50+の署名表現からランダムサンプリング（毎回違う口調）
25+のバイラルフックパターンから最適なものを確率モデルで選択
問いかけで締める

「です・ます」調のプロフェッショナルトーン
海外事例から日本市場示唆の構造
1,000-1,500文字で深い分析
ハッシュタグ2-3個

Threads

余韻を残すカジュアルトーン
500文字以内、会話のきっかけを作る
「な気がしている」「答えは出てない」系の締め方

各プラットフォームの投稿も、品質ゲート（重複チェック、タイミングチェック、スコア≥0.6）を通過した場合のみ自動投稿される。

コスト構造：なぜ「ほぼゼロ」なのか

項目	コスト
記事執筆（Claude Code）	ゼロ（ローカル実行、サブスク内）
一次情報リサーチ（Brave Search）	微小（1記事あたり3-5クエリ）
ベクトル埋め込み（OpenAI Embeddings）	微小（Post-Processing時のみ）
Post-Processing API（Vercel）	Hobbyプランなら無料枠内
SNS投稿（X API）	Freeプラン内

従来のCloud Runパイプライン（外部LLM API利用）と比較すると、LLM API料金が完全にゼロになる。記事品質は上がってコストは下がる。

2日に1回の完全自動サイクル

このシステムは2日に1回のペースで完全自動実行される。

Day 1 朝: トレンド調査 → トピック選定
Day 1 昼: 記事執筆（20,000文字）
Day 1 夕: 批評 → 推敲
Day 2 朝: Post-Processing → 公開 → SNS展開

月15本の高品質記事が、人間の介入なしで自動生成される。

実装のポイント

1. 既存インフラの最大活用

新しく作ったのは「ループハンドラ4つ」だけ。Post-Processing、RAGシステム、構造化データ生成、ベクトル検索は全て既存のものを再利用した。新規ファイルゼロ、既存ファイルへの追加のみ。

2. 批評の品質が全てを決める

AI-to-AIの対話で最も重要なのは「批評の具体性」だ。「もっと良くして」ではなく「セクション3のデータが古い。2026年3月のデータに更新しろ」と具体的に指摘する。この具体性が、修正の精度を決める。

3. 人間性の注入方法

AIが書いた記事が「AI臭い」のは、構造が均一だから。対策として：

短い段落と長い段落を意図的に混ぜる
括弧内の独り言やツッコミを挟む（これは効く）
個人的な体験を必ず1つ入れる
「だと思う」「かもしれない」「正直なところ」など、断定を避ける表現を使う

AIキャリア相談＆実務AI活用はこちらから無料相談AIキャリア相談＆実務AI活用は
こちらから無料相談

よくある質問

Q: Claude Codeのサブスクだけで本当にAPI料金ゼロ？

A: はい。Claude Codeはローカルマシンで動くため、記事生成自体にAPI料金は発生しません。Post-Processing時のOpenAI Embeddings（ベクトル化）のみ微小なコストがかかりますが、1記事あたり数円レベルです。

Q: 品質は人間が書いた記事と比較してどう？

A: 1ショット生成と比較すると明確に上。ただし、専門家が丁寧に書いた記事には及ばない。「80点の記事を月15本」vs「95点の記事を月2本」のトレードオフ。多くのビジネスでは前者の方が合理的です。

Q: SNS投稿も完全自動？

A: 品質ゲート（重複チェック、エンゲージメント予測、タイミング最適化）を通過した場合のみ自動投稿されます。品質が基準を下回る場合はスキップされるので、低品質な投稿が出ることはありません。

Q: 他のAIツール（GPT、Gemini）でも同じことできる？

A: Claude Code Channelsのバックグラウンド常駐+Discord連携は現時点でClaude Code固有の機能です。GPTやGeminiでは同等のワークフローを構築するには追加の開発が必要になります。

Q: 導入にどのくらいかかる？

A: Claude Codeの環境構築が済んでいれば、ループハンドラの追加は数時間。Post-Processingパイプラインまで含めるなら1-2週間が目安です。

まとめ

AIに「1回で完璧に書け」と言うのはやめた。代わりに「2つのAIに会話させて、段階的にブラッシュアップさせる」アプローチに切り替えた。

結果として：

記事品質は1ショット生成の2倍以上
LLM API料金はゼロ
月15本の高品質記事を完全自動生成
SNS投稿（X・LinkedIn・Threads）も自動展開

Claude Code Channelsが出たことで、「AIエージェントが常駐して、人間の介入なしにコンテンツを生産し続ける」世界が現実になった。

正直、ここまでできるとは思ってなかった。

目次